CN106529683A - 警报的错误率计算方法及装置 - Google Patents
警报的错误率计算方法及装置 Download PDFInfo
- Publication number
- CN106529683A CN106529683A CN201610353057.9A CN201610353057A CN106529683A CN 106529683 A CN106529683 A CN 106529683A CN 201610353057 A CN201610353057 A CN 201610353057A CN 106529683 A CN106529683 A CN 106529683A
- Authority
- CN
- China
- Prior art keywords
- alarm
- error rate
- equipment
- data
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/187—Machine fault alarms
Abstract
本发明公开一种警报的错误率计算方法及装置。本发明一实施例的错误率计算方法包括以下步骤:利用历史故障记录数据来计算每个时间段所发生的警报为真的概率及假的概率;以及利用所述每个时间段所发生的警报为假的概率对警报为真的概率的比率来计算所述警报的错误率。
Description
技术领域
本发明涉及一种警报的错误率计算方法,更详细地,涉及一种通过考虑警报所发生的时间段的特征来计算警报的错误率并且仅在计算结果被判断为所发生的警报并不是误警报的情况下将警报提供给设备操作员的警报的错误率计算方法。
背景技术
异常检测(Anomaly Detection)通过以历史积累的数据为基础判定当前状态是正常还是异常来生成警报,被应用在很多领域中。
例如,通过对如工厂内大型电动机或泵的各种设备、发电站涡轮机、建筑物内部的空调机等大型基础设施应用异常检测方法来在故障实际发生前发生警报属于这种异常检测。
然而,尽管在检测对象的操作方面不存在问题但是警报发生的假警报(False Alarm)被认为是异常检测的问题之一。假警报所导致的用户不方便、经济损失、安全业务的空白等使异常检测解决方案的效用降低。
因此,需要提供一种可通过查明已发生的假警报的原因并提取及分析已查明的主要原因来排除今后有可能发生的误警报的方法。
现有技术文献
A Study of Data Mining Methodology for Effective Analysis of False Alarm Event onMechanical Security System,信息安全论文杂志第12卷第2号(2012年5月),JonoMinKim,KyongHo Choi,DongHwi Lee
发明内容
本发明是为了解决上述问题而提出的,本发明的目的在于提供一种通过考虑警报发生的时间段的特征来计算警报的错误率的方法。
本发明的又一目的在于提供一种在考虑警报发生的时间段的特征时,应用历史设备检查记录和故障记录来计算警报的错误率的方法。
本发明的又一目的在于提供一种可通过应用作为非参数估计法的自举(bootstrap)算法来计算每个时间段所发生的警报为真的概率的警报的错误率计算方法。
本发明的又一目的在于提供一种可在已发生的警报中选择“真”的可能性高的警报来提供给用户的错误率计算方法。
本发明的技术问题并不限定于以上所提及的技术问题,本领域技术人员能够从下面的记载中明确理解没有提及的其它技术问题。
为了实现上述目的,计算用于通知设备的故障发生的警报的错误率的方法包括以下步骤:利用历史故障记录数据来计算每个时间段所发生的警报为真的概率及假的概率;以及利用所述每个时间段所发生的警报为假的概率对警报为真的概率的比率来计算所述警报的错误率。
根据本发明一实施例,所述计算每个时间段所发生的警报为真的概率和假的概率的步骤可包括:利用所述历史故障记录数据来计算出所述设备的寿命的累积分布函数(CDF:Cumulative Distribution Function);以及利用所述历史故障记录数据来计算出前导时间的累积分布函数。
根据本发明一实施例,计算出所述设备的寿命的累积分布函数的步骤可包括:将实施设备检查的时间间隔作为所述设备的寿命来采样;以及利用采样到的所述设备的寿命数据来计算出所述设备的寿命的累积分布函数。
根据本发明一实施例,利用所述设备的寿命数据来计算出所述设备的寿命的累积分布函数的步骤可包括:在所述采样到的多个设备寿命数据中随机提取任意数量的数据来构成包含有多个设备寿命数据的多个数据组;按每个数据组计算包含有任意设备寿命数据的概率;以及通过计算出所述概率的平均值来从总体数据计算出关于所述任意设备寿命数据的累积分布函数。
根据本发明一实施例,所述计算出前导时间的累积分布函数的步骤可包括:对历史发生故障的时间和发生警报的时间的差进行采样;以及利用采样到的故障发生时间和警报发生时间的差的数据来计算出所述前导时间的累积分布函数。
根据本发明一实施例,进一步可包括以下步骤:存储计算出的警报的错误率和用于计算所述警报的错误率的故障记录数据。
根据本发明一实施例,存储所述故障记录数据的步骤可包括:存储对所述设备进行设备检查的时间、警报发生时间、故障发生时间和所述警报发生时间的前导时间。
根据本发明一实施例,进一步可包括以下步骤:如果发生新警报,则将利用与所述新警报的故障数据相同或相似的故障数据计算出的错误率估计为所述新警报的错误率。
根据本发明一实施例,进一步可包括以下步骤:仅在估计出的所述新警报的错误率小于已设定的临界值的情况下,将所述新警报提供给用户。
根据本发明又一实施例,计算用于通知设备的故障发生的警报的错误率的警报的错误率计算装置包括:存储部,用于存储所述设备的历史故障记录数据;自举估计部,用于利用所述设备的历史故障记录数据来计算每个时间段所发生的警报为真的概率及假的概率;以及错误率计算部,用于利用所述每个时间段所发生的警报为假的概率对警报为真的概率的比率来计算所述警报的错误率。
根据本发明一实施例,所述自举估计部可利用所述设备的历史故障记录数据来计算出所述设备的寿命的累积分布函数(CDF:Cumulative Distribution Function)和前导时间的累积分布函数。
根据本发明一实施例,所述自举估计部可将实施设备检查的时间间隔作为所述设备的寿命来采样,并利用采样到的所述设备的寿命数据来计算出所述设备的寿命的累积分布函数。
根据本发明一实施例,所述自举估计部可通过在采样到的多个设备寿命数据中随机提取任意数量的数据来构成包含有多个设备寿命数据的多个数据组,并按每个数据组计算包含有任意设备寿命数据的概率之后,计算出所述概率的平均值来从总体数据计算出关于所述任意设备寿命数据的累积分布函数。
根据本发明一实施例,所述自举估计部可对发生历史故障的时间和发生警报的时间的差进行采样,并利用采样到的故障发生时间和警报发生时间的差的数据来计算出所述前导时间的累积分布函数。
根据本发明一实施例,所述存储部可存储计算出的警报的错误率和用于计算所述警报的错误率的故障记录数据。
根据本发明一实施例,所述故障记录数据可以是对所述设备进行设备检查的时间、警报发生时间、故障发生时间和所述警报发生时间的前导时间中的至少之一。
根据本发明一实施例,进一步可包括选择部,所述选择部在发生新警报的情况下,将利用与所述新警报的故障数据相同或相似的故障数据计算出的错误率估计为所述新警报的错误率。
根据本发明一实施例,进一步可包括警报发生部,所述警报发生部仅在估计出的所述新警报的错误率小于已设定的临界值的情况下,将所述新警报提供给用户。
根据本发明又一实施例,计算用于通知设备的故障发生的警报的错误率的装置包括:一个以上的处理器;存储器,用于加载(load)由所述处理器执行的计算机程序;以及贮存器,用于存储对许可证进行管理的计算机程序,所述计算机程序包括以下操作:利用历史故障记录数据来计算每个时间段所发生的警报为真的概率及假的概率;以及利用所述每个时间段所发生的警报为假的概率对警报为真的概率的比率来计算所述警报的错误率。
根据本发明又一实施例,与计算机装置相结合来计算用于通知设备的故障发生的警报的错误率的计算机程序可被存储在存储介质中,使得执行以下步骤:利用历史故障记录数据来计算每个时间段所发生的警报为真的概率及为假的概率;以及利用所述每个时间段所发生的警报为假的概率对警报为真的概率的比率来计算所述警报的错误率。
根据上述的本发明一实施例的警报的错误率计算装置及方法,可实现能够通过由历史数据估计连续时间段内所发生的警报的错误率来提供给用户的效果。
此外,因此可实现能够使因假警报发生而导致的用户不方便、经济损失最小化的效果。
附图说明
图1是用于说明本发明一实施例的警报错误率计算装置的功能方框图。
图2是用于说明根据本发明一实施例利用历史故障记录数据来计算所发生的警报的错误率的过程的图。
图3是用于说明根据本发明一实施例在存在多次设备检查和故障的情况下计算f函数和g函数的方法的图。
图4是用于说明根据本发明一实施例由历史故障记录数据估计设备寿命的过程的图。
图5是用于说明根据本发明一实施例由历史故障记录数据积累警报前导时间数据的过程的图。
图6是用于说明本发明一实施例的自举估计部的具体操作的图。
图7是用于说明根据本发明一实施例估计当前发生的警报的错误率的过程的图。
图8是用于说明根据本发明一实施例利用故障数据的相似性来确定当前发生的警报的错误率的方法的图。
图9是用于说明根据本发明一实施例保持关于错误率的最新信息的过程的流程图。
图10是用于说明根据本发明一实施例通过考虑警报的错误率来将所发生的警报选择性地提供给用户的方法的流程图。
图11是用于说明本发明一实施例的警报的错误率计算方法的流程图。
图12是用于说明本发明一实施例的警报的错误率计算装置的图。
具体实施方式
下面,参照附图,对本发明的优选实施例进行详细说明。参照附图的同时参照详细地后述的实施例,本发明的优点及特性以及实现这些的方法将会明确。但是,本发明并不限定于以下所公开的实施例,而是可以以彼此不同的多种方式实现,本实施例仅仅用于完整地公开本发明,并且为了向本发明所属技术领域的技术人员完整地告知本发明的范围而提供的,本发明仅由权利要求的范围定义。在说明书全文中相同的附图标记指相同的结构要素。
如果没有其它定义,则在本说明书中所使用的所有用语(包括技术用语及科技用语)能够以本发明所属技术领域的技术人员共同理解的含义使用。另外,在通常使用的词典中定义的用语只要没有被明确地特别定义,就不能理想地或过度地解释。
此外,在本说明书中,单数形式只要在句子中未特别提及就可以包括复数形式。在说明书中使用的“包括(comprises)”和/或“包含(comprising)”并不排除提及的结构要素、步骤、动作和/或元素之外的一个以上的其它结构要素、步骤、动作和/或元素的存在或附加。
图1是用于说明本发明一实施例的警报错误率计算装置的功能方框图。
本发明一实施例的警报的错误率计算装置100包括存储部110、自举估计部120、错误率计算部130、选择部140和警报发生部150。
不过,图1所示的错误率计算装置中仅示出了与本发明的实施例关联的结构要素。因此,如果是本发明所属技术领域的技术人员,则应能知道除图1所示的结构要素以外还可包括其它通用的结构要素。
存储部110存储设备的历史故障记录数据。本发明一实施例的历史故障记录数据可以是关于对设备进行设备检查的时间、历史警报发生时间、实际故障发生时间和所述警报发生时间的前导时间等的记录。
自举估计部120利用设备的历史故障记录数据来计算每个时间段所发生的警报为真的概率及假的概率。所发生的警报为真的概率可从关于设备寿命的累积分布函数计算出,并且所发生的警报为假的概率可从前导时间的累积分布函数计算出。在此,警报前导时间是指报警后至实际故障发生前所花费的时间。
关于由设备寿命的累积分布函数和前导时间的累积分布函数计算所发生的警报为真的概率和假的概率的过程,将在图2至图6中进行详细说明。
错误率计算部130利用每个时间段所发生的警报为假的概率对真的概率的比率来计算所述警报的错误率。在此,警报的错误率是指尽管实际发生故障的可能性较低但发生警报的概率,即,是指该警报为假警报的概率。
错误率越高表示所发生的警报为假警报的概率越高,错误率越低表示所发生的警报为假警报的概率越低。
选择部140在发生新警报时,将利用与所述新警报的故障数据相同或相似的故障数据来计算出的错误率估计为所述新警报的错误率。由于本发明一实施例的警报的错误率计算方法在实际发生故障前无法计算警报的错误率,因此由历史计算出的警报的错误率估计当前发生的警报的错误率。
关于由历史故障记录数据估计当前发生的警报的错误率的方法,将在图7至图9中进行详细说明。
警报发生部150仅在新警报的错误率小于已设定的临界值的情况下,将该新警报提供给用户。即,警报发生部150执行在所发生的警报中仅选择并非假警报的警报来提供给用户的一种过滤器的功能。
根据上述的本发明一实施例的警报的错误率计算装置,可实现能够由历史数据估计连续时间内所发生的警报的错误率来提供给用户的效果。
下面,对计算警报的错误率的方法和由历史故障数据估计当前发生的警报的错误率的方法进行详细说明。
图2是用于说明根据本发明一实施例利用历史故障记录数据来计算所发生的警报的错误率的过程的图。
在图2所示的图表中,tP表示实施设备检查的时间,tA表示发生警报的时间,tB表示实际发生故障的时间。
根据本发明一实施例,表示每个时间段所发生的警报为真的概率的f函数210可由每个时间段的设备寿命的累积分布函数计算出。具体来讲,表示每个时间段所发生的警报为真的概率的f函数210可通过如下的过程推导出。
[数学式1]
f(t)=f′(t-tp)
在此,f’(t)表示设备寿命的累积分布函数(CDF:Cumulative Distribution Function)。
根据上述的数学式1,f函数210可通过使设备寿命的累积分布函数移动设备检查时间tP来得到。
由于越接近发生故障的时间tB则设备寿命已尽的概率越大,因此接近tB所发生的警报为真的概率增大。因此,表示每个时间段所发生的警报为真的概率的f函数210被示出为越接近tB则具有越大的值。
另外,表示每个时间段所发生的警报为假的概率的g函数220可由每个时间段的警报前导时间的累积分布函数计算出。
前导时间越短,即越是临近实际发生故障的时间而发生的警报则其为假报警的概率越小。
g函数220可通过如下的过程由上述的警报前导时间的累积分布函数推导出。
[数学式2]
g(t)=g′(tB-t)
在此,g’(t)表示警报前导时间的累积分布函数。根据上述的数学式2,g函数220可通过将警报前导时间的累积分布函数以y轴对称移动后使其移动tB来得到。
由于越是临近tB而发生的警报则前导时间越短,临近实际故障发生而发生的警报为假的概率降低,因此表示每个时间段所发生的警报为假的概率的g函数220可以以图2的方式表示。
关于任意时刻tA所发生的警报的错误率,可利用所发生的警报为假的概率g函数210对警报为真的概率f函数220的比率来计算出。
如果用数学式表示,则任意时刻tA所发生的警报的错误率可以用下式表示。
[数学式3]
由于越接近实际发生故障的时间tB则g函数220的值越小且f函数210的值越大,因此错误率降低。即,表示越是接近tB发生的警报则其为假警报的概率越小。
相反,由于在实施设备检查的tP时刻后不久发生的警报的情况下,g函数220具有较大的值且f函数210具有较小的值,因此错误率变大。即,表示越是接近tP发生的警报则其为假警报的概率越大。
通常,由于在结束设备检查后不久设备发生故障的概率小于在临近设备寿命的时刻发生故障的概率,因此可知理论预测结果与用数学式表示的错误率一致。
另外,上述的f函数210和g函数220可在tA发生警报并在实际发生故障之后被计算出。即,警报的错误率并不是在其发生警报的时刻被计算出,而是在发生警报后实际发生故障的时刻被计算出。
用于计算错误率的f函数210和g函数220由对设备进行检查的时间、警报发生时间、故障发生时间和警报发生时间的前导时间计算出,这是因为上述的数据在实际发生故障之后才能得到。
因此,可由历史计算出的错误率估计当前发生的警报的错误率。关于由历史计算出的错误率估计当前发生的警报的错误率的方法,将在下面进行说明。
另外,图2中举例说明了发生一次设备检查和故障的情况,但在实际操作设备的过程中也可能发生多次针对设备的检查和故障。
图3是用于说明根据本发明一实施例在存在多次设备检查和故障的情况下计算f函数和g函数的方法的图。
由于多个f函数(210-1、210-2、210-3、210-4、210-5)是由设备寿命的累积分布函数计算出的,因此每当有设备检查时被初始化。这是因为在实施设备检查之后设备寿命被更新至初始值。
因此,从图3所示的图表中可确认出在表示设备检查的每个tP1、tP2、tP3,多个f函数(210-1、210-2、210-3、210-4、210-5)被初始化。
由于多个g函数(220-1、220-2、220-3)是由警报前导时间的累积分布函数计算出的,因此每当实际发生故障时被初始化。
因此,从图3所示的图表中可确认出在表示实际故障发生的每个tB1、tB2、tB3,多个g函数被初始化。
另外,任意时刻发生的警报的错误率可根据发生警报的时刻属于哪个区间而被不同地计算。这是因为,如上所述,每当有设备检查时f函数被初始化,并且每当实际发生故障时g函数被初始化。
如果假设发生警报的时刻为tA,则根据tA所发生的时刻计算出的错误率可以以如下方式表示。
[数学式4]
其中f(t)=f′(t-tP1),tp1≤t<tp2
其中f(t)=f′(t-tP2),tp2≤t<tB1
其中f(t)=f′(t-tB1),tB1≤t<tp3
其中f(t)=f′(t-tP3),tp3≤t<tB2
其中f(t)=f′(t-tB2),tB2≤t
其中g(t)=g′(tB1-t),t<tB1
其中g(t)=g′(tB2-t),tB1≤t<tB2
其中g(t)=g(tB3-t),tB2≤t<tB3
此外,如果使上述的数学式4广义化,则可以以如下方式表示。
[数学式5]
其中
f(t)=f′(t-ti),ti≤tA<ti+l,ti∈TP∪TB,l≤i≤|TP∪TB|,ti<tI+l
g(t)=g′(ti-t),ti-l≤tA<ti,ti∈TB,l≤i≤|TB|,ti-l<ti,t0=-∞
另外,计算所发生的警报为真的概率及假的概率时所需要的设备寿命的累积分布函数和警报前导时间的累积分布函数可由历史故障记录数据估计出。
图4是用于说明根据本发明一实施例由历史故障记录数据估计设备寿命的过程的图。
为了计算出设备寿命的累积分布函数,需要具有关于设备寿命的多个样本数据。鉴于此,本发明一实施例的自举估计部120可应用已存储在存储部110中的数据来生成关于设备寿命的样本数据,并利用该样本数据来计算出设备寿命的累积分布函数。
自举估计部120可将设备检查之间的间隔作为设备的寿命来采样,并利用采样到的设备的寿命数据来计算出设备寿命的累积分布函数。
例如,对于任意设备,按已设定的时间间隔在tP1时刻410、tP2时刻420、tP3时刻430具有设备检查的情况下,可将各设备检查时刻的间隔作为设备寿命来采样。
通常,由于设备检查是在临近该设备的寿命的时刻实施,因此如果对设备检查的间隔进行采样,则可估计该设备的寿命。
在图4所示的实施例中,可通过将tP1时刻410与tP2时刻420之间的间隔作为设备的第一寿命440来采样,并且将tP3时刻430与tP2时刻420之间的间隔作为第二寿命450来采样,从而估计关于设备的寿命的数据。
此外,通过上述的过程获取到的数据可用于估计该设备寿命的累积分布函数。
图5是用于说明根据本发明一实施例由历史故障记录数据积累警报前导时间数据的过程的图。
为了计算出警报前导时间的累积分布函数,需要具有关于前导时间的多个样本数据。鉴于此,本发明一实施例的自举估计部120可应用已存储在存储部110中的数据来生成关于前导时间的样本数据,并利用该样本数据来计算出前导时间的累积分布函数。
自举估计部120可通过对发生历史故障的时刻和发生警报的时刻的差进行采样,并利用采样到的数据来计算出前导时间的累积分布函数。
如上所述,由于警报前导时间为实际发生故障的时间和发生警报的时间的差,因此如果确认历史故障履历,则可对关于前导时间的多个数据进行采样。
例如,可将从历史tA1时刻510发生警报后至实际发生故障的tB1时刻520所花费的时间作为第一前导时间550来采样,并且将从历史tA3时刻530发生警报后至实际发生故障的tB2时刻540所花费的时间作为第二前导时间560来采样。
如果经由上述的过程对关于多个前导时间的数据进行采样,则可计算出前导时间的累积分布函数。
下面,对自举估计部120利用采样到的数据来计算出累积分布函数的过程进行更详细说明。
图6是用于说明本发明一实施例的自举估计部的具体操作的图。
自举估计部110在经由图4和图5中所说明的过程对多个数据进行采样之后,利用该数据来计算出累积分布函数。
具体来讲,自举估计部110对多个数据允许重复并随机提取数据。此外,使提取到的数据形成一个样本组。
例如,如图6所示,如果以使随机提取到的三个数据形成一个组的方式反复进行N次数据提取,则构成N个样本组。此时,计算在一个组中包含有特定数据例如t样本,3的概率。同样,如果对其它组也计算包含有特定数据的概率之后,计算出该值的平均值,则可从总体数据推导出关于该数据的累积分布函数。
如上所述,如果估计关于特定数据的累积分布函数,则可实现如下效果:即使在相对而言尚不知总体分布且可用数据数量较少的情况下,也能有效地估计累积分布函数。
图7是用于说明根据本发明一实施例估计当前发生的警报的错误率的过程的图。
本发明一实施例的错误率计算方法只有警报响的时间tA,x相对于设备检查时间tP和故障时刻tB满足tP≤tA,x<tB条件才能进行计算。
因此,对于在最后发生故障以后发生的警报,无法计算该警报的错误率。这是因为本发明一实施例的错误率计算方法利用设备寿命的累积分布函数和警报前导时间的累积分布函数来计算,而在尚未发生故障的情况下无法准确估计上述的数据。
例如,在图5中关于设备检查tP1以后发生的警报tA1的错误率在实际发生故障的tB1以后才能计算。因此,在尚未发生故障的时刻无法计算tA2时刻发生的警报的错误率。
因此,如果发生新故障,则本发明一实施例的选择部140可将故障发生前生成的警报的错误率和用于计算该错误率的故障数据存储在存储部110中。
例如,可与计算出的错误率一同存储用于计算警报的错误率的设备寿命的累积分布函数、警报前导时间的累积分布函数等。
之后,如果发生新警报,则可通过对在发生该警报的时刻测量出的故障数据与历史发生的多个警报的故障数据进行比较并将故障数据相同或最相似的警报的错误率确定为当前发生的警报的错误率。
图8是用于说明根据本发明一实施例利用故障数据的相似性来确定当前发生的警报的错误率的方法的图。
如上所述,选择部140可存储故障发生前生成的警报的错误率和用于计算出该错误率的故障数据,在存储部110中可存储有图8所示的数据。本发明一实施例的故障数据可以是设备检查时间、警报发生时间、实际故障发生时间等。
如果新警报发生,则上述的故障数据被传送到选择部140。选择部140可从已存储的多个故障数据中选择与新警报的故障数据相同或最相似的故障数据,并将以这些故障数据为基础计算出的警报的错误率确定为当前发生的警报的错误率。
另外,作为在新警报的故障数据与已存储的多个故障数据之间计算出相似性的方法可使用欧几里得距离(Euclidian distance)等,但并不限定于此,也可以以使用其它通用的技术的方式实现。
此外,在上述的实施例中举例说明了选择与新警报的故障数据相同或相似的一个错误率,但并不限定于此,也可以通过选择关于多个警报的错误率并计算出其错误率的平均值来将该平均值确定为新警报的错误率。
为了由历史发生的警报的错误率确定新警报的错误率,需要保持关于错误率的最新信息。这是因为积累的数据越多,所选择的值更准确。
鉴于此,可以以存储故障发生时与故障关联的数据和故障发生前所发生的警报的错误率等的方式实现。
图9是用于说明根据本发明一实施例保持关于错误率的最新信息的过程的流程图。
如果设备发生新故障(S910),则计算发生故障前所生成的警报的错误率并存储与该错误率关联的数据(S920)。在最后故障时间与新故障时间之间发生多次警报的情况下,可分别计算关于各个警报的错误率并存储相关联的数据。
如上所述,在设备发生故障的情况下,由于保持先前发生的警报的错误率和相关的最新故障数据,因此可实现针对新发生的警报能选择更准确的错误率的效果。
另外,本发明一实施例的警报的错误率计算装置也可以考虑警报的错误率来向用户仅提供选择出的警报。
图10是用于说明根据本发明一实施例考虑警报的错误率来将所发生的警报选择性地提供给用户的方法的流程图。
在判断是否发生新警报(S1010)的结果发生警报的情况下,存储发生警报的时间和与警报关联的数据(S1020)。之后,通过在已存储的多个故障数据中选择与新警报的故障数据相同或相似的故障数据来估计新发生的警报的错误率(S1030)。
之后,仅在新警报的错误率小于已设定的临界值的情况下,将新警报提供给用户(S1040)。如果新警报的错误率在已设定的临界值以上,则判断为假警报,从而进行过滤,该假警报是尽管没有故障可能性但却发生的。
因此,可实现能使因假警报发生而导致的用户不方便和经济损失最小化的效果。此时,已设定的临界值可以以根据设备的特性由用户设定的方式或根据设备的操作状态自动确定的方式实现。
图11是用于说明本发明一实施例的警报的错误率计算方法的流程图。
自举估计部120由历史故障记录数据计算出表示警报为真的概率的f函数和表示警报为假的概率的g函数(S1110)。在此,f函数可由设备寿命的累积分布函数计算出,并且g函数可由前导时间的累积分布函数计算出。
之后,利用g函数对f函数的比率来计算警报的错误率(S1120)。计算出的错误率可与故障记录数据一同被存储在存储部110中,从而用于确定其它警报的错误率。
根据上述的本发明一实施例的警报的错误率计算方法,可实现能够通过由历史数据估计连续时间内发生的警报的错误率来将警报选择性地提供给用户的效果。
图12是用于说明本发明另一实施例的警报的错误率计算装置的图。
图12所示的警报的错误率计算装置1200包括:处理器1210、存储器1220、贮存器1230、网络接口1240和总线1250。
在图12所示的中继装置1000中仅图示了与本发明的实施例关联的结构要素。因此,如果是本发明所属技术领域的技术人员,则应能知道除图12所示的结构要素以外还可包括其它通用的结构要素。
处理器1210可执行能够计算警报的错误率的程序。但是,在处理器1210中可执行的程序并不限定于此,也可以执行其它通用程序。
存储器1220加载能够计算警报的错误率的程序,从而使该程序可在处理器1210中执行。
贮存器1230存储有能够计算警报的错误率的程序、与在设备中历史发生的故障关联的数据、历史发生的警报的错误率等。
在此,能够计算警报的错误率的程序执行以下步骤:利用历史故障记录数据来计算每个时间段所发生的警报为真的概率及假的概率;以及利用所述每个时间段发生的警报为假的概率对真的概率的比率来计算所述警报的错误率。
网络接口1240可连接其它计算装置。例如,作为管理对象的设备、被提供警报的用户设备等可通过网络接口1240来连接。
总线1250起到连接上述的处理器1210、存储器1220、贮存器1230和网络接口1240的数据移动通道的作用。
另外,上述的方法可制作成计算机可执行的程序,并能利用计算机可读的存储介质在使所述程序操作的通用数字计算机中实现。此外,上述的方法中所使用的数据结构可通过各种方式存储在计算机可读的存储介质中。所述计算机可读的存储介质包括如磁存储介质(例如,只读存储器、软盘、硬盘等)和光学读取介质(例如,只读光盘存储器、数字多功能光盘等)的存储介质。
与本实施例关联的技术领域的技术人员应能理解,在不脱离上述记载的本质特性的范围内可以以变形的形式实施。因此,已公开的方法不应从限定性的观点,而是应从说明性的观点来考虑。本发明的范围呈现于权利要求书而不是前述的说明,应解释为与该权利要求书同等的范围内存在的所有区别点都被包含在本发明中。
Claims (19)
1.一种警报的错误率计算方法,计算用于通知设备的故障发生的警报的错误率,包括以下步骤:
以历史故障记录数据为基础计算每个时间段所发生的警报为真的概率及假的概率;以及
利用所述每个时间段所发生的警报为假的概率对警报为真的概率的比率来计算所述警报的错误率。
2.根据权利要求1所述的警报的错误率计算方法,其中,
所述计算每个时间段所发生的警报为真的概率及假的概率的步骤包括:
以所述设备的历史故障记录数据为基础计算出所述设备的寿命的累积分布函数;以及
以所述设备的历史故障记录数据为基础计算出前导时间的累积分布函数。
3.根据权利要求2所述的警报的错误率计算方法,其中,
计算出所述设备的寿命的累积分布函数的步骤包括:
将实施设备检查的时间间隔作为所述设备的寿命来采样;以及
利用采样到的所述设备的寿命数据来计算出所述设备的寿命的累积分布函数。
4.根据权利要求3所述的警报的错误率计算方法,其中,
利用所述设备的寿命数据来计算出所述设备的寿命的累积分布函数的步骤包括:
在采样到的多个设备寿命数据中随机提取任意数量的数据来构成包含有多个设备寿命数据的多个数据组;
按每个数据组计算包含有任意设备寿命数据的概率;以及
通过计算出所述概率的平均值从多个设备寿命数据总体计算出针对所述任意设备寿命数据的累积分布函数。
5.根据权利要求2所述的警报的错误率计算方法,其中,
所述计算出前导时间的累积分布函数的步骤包括:
对历史发生故障的时间和发生警报的时间的差进行采样;以及
利用采样到的故障发生时间和警报发生时间的差的数据来计算出所述前导时间的累积分布函数。
6.根据权利要求1所述的警报的错误率计算方法,其中,
进一步包括以下步骤:
存储所述警报的错误率和用于计算所述警报的错误率的故障记录数据。
7.根据权利要求6所述的警报的错误率计算方法,其中,
存储所述故障记录数据的步骤包括:
存储对所述设备进行设备检查的时间、警报发生时间、故障发生时间和所述警报发生时间的前导时间。
8.根据权利要求1所述的警报的错误率计算方法,其中,
进一步包括以下步骤:
如果发生新警报,则将利用与所述新警报的故障数据对应的故障数据计算出的错误率估计为所述新警报的错误率。
9.根据权利要求8所述的警报的错误率计算方法,其中,
进一步包括以下步骤:
仅在所述新警报的错误率小于已设定的临界值的情况下,将所述新警报提供给用户。
10.一种警报的错误率计算装置,计算用于通知设备的故障发生的警报的错误率,包括:
存储部,用于存储所述设备的历史故障记录数据;
自举估计部,用于以所述设备的历史故障记录数据为基础计算每个时间段所发生的警报为真的概率及假的概率;以及
错误率计算部,用于利用所述每个时间段所发生的警报为假的概率对警报为真的概率的比率来计算所述警报的错误率。
11.根据权利要求10所述的警报的错误率计算装置,其中,
所述自举估计部以所述设备的历史故障记录数据为基础计算出所述设备的寿命的累积分布函数和前导时间的累积分布函数。
12.根据权利要求11所述的警报的错误率计算装置,其中,
所述自举估计部将实施设备检查的时间间隔作为所述设备的寿命来采样,并利用采样到的所述设备的寿命数据来计算出所述设备的寿命的累积分布函数。
13.根据权利要求12所述的警报的错误率计算装置,其中,
所述自举估计部通过在采样到的多个设备寿命数据中随机提取任意数量的数据来构成包含有多个设备寿命数据的多个数据组,并按每个数据组计算包含有任意设备寿命数据的概率之后,计算出所述概率的平均值来从多个设备寿命数据总体计算出针对所述任意设备寿命数据的累积分布函数。
14.根据权利要求11所述的警报的错误率计算装置,其中,
所述自举估计部对发生历史故障的时间和发生警报的时间的差进行采样,并利用采样到的故障发生时间和警报发生时间的差的数据来计算出所述前导时间的累积分布函数。
15.根据权利要求10所述的警报的错误率计算装置,其中,
所述存储部存储所述警报的错误率和用于计算所述警报的错误率的故障记录数据。
16.根据权利要求15所述的警报的错误率计算装置,其中,
所述故障记录数据为对所述设备进行设备检查的时间、警报发生时间、故障发生时间和所述警报发生时间的前导时间中的至少之一。
17.根据权利要求10所述的警报的错误率计算装置,其中,
进一步包括选择部,所述选择部在发生新警报的情况下,将利用与所述新警报的故障数据对应的故障数据计算出的错误率估计为所述新警报的错误率。
18.根据权利要求17所述的警报的错误率计算装置,其中,
进一步包括警报发生部,所述报警发生部仅在所述新警报的错误率小于已设定的临界值的情况下,将所述新警报提供给用户。
19.一种警报的错误率计算装置,计算用于通知设备的故障发生的警报的错误率,包括:
一个以上的处理器;
存储器,用于加载由所述处理器执行的计算机程序;以及
贮存器,用于存储对许可证进行管理的计算机程序,
所述计算机程序包括以下操作:
以历史故障记录数据为基础计算每个时间段所发生的警报为真的概率及假的概率;以及
利用所述每个时间段所发生的警报为假的概率对警报为真的概率的比率来计算所述警报的错误率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2015-0127438 | 2015-09-09 | ||
KR1020150127438A KR101748122B1 (ko) | 2015-09-09 | 2015-09-09 | 경보의 오류율 계산 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106529683A true CN106529683A (zh) | 2017-03-22 |
Family
ID=58189395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610353057.9A Pending CN106529683A (zh) | 2015-09-09 | 2016-05-25 | 警报的错误率计算方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9704382B2 (zh) |
KR (1) | KR101748122B1 (zh) |
CN (1) | CN106529683A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107479492A (zh) * | 2017-10-18 | 2017-12-15 | 江西电力职业技术学院 | 变电站数据采集装置及系统 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
CN110107992A (zh) * | 2019-05-05 | 2019-08-09 | 珠海格力电器股份有限公司 | 基于设备的关联数据的运行参数控制方法 |
CN110782687A (zh) * | 2019-08-30 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置以及电子设备 |
CN112771623A (zh) * | 2018-08-31 | 2021-05-07 | B·布莱恩·阿维图姆股份公司 | 用于医疗装置的自学习输入滤波器 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102006436B1 (ko) | 2015-10-30 | 2019-08-01 | 삼성에스디에스 주식회사 | 거짓 경보 결정 방법 |
CN107995011B (zh) * | 2016-10-26 | 2022-07-22 | 通用电气公司 | 患者监护仪的告警控制方法及装置、患者监护仪的自适应告警方法 |
CN107368898B (zh) * | 2017-06-30 | 2020-11-10 | 佛山职业技术学院 | 一种智能报障维保监测方法 |
EP3514555B1 (en) | 2018-01-22 | 2020-07-22 | Siemens Aktiengesellschaft | Apparatus for monitoring an actuator system, method for providing an apparatus for monitoring an actuator system and method for monitoring an actuator system |
CN108599995B (zh) * | 2018-03-28 | 2020-10-27 | 北京大米科技有限公司 | 网络线路故障判定方法及服务器 |
CN109272599A (zh) * | 2018-09-03 | 2019-01-25 | 深圳市智物联网络有限公司 | 一种数据处理方法及相关设备 |
KR102268116B1 (ko) * | 2019-12-30 | 2021-06-22 | (주)로커스솔루션 | 선행강우를 고려한 홍수경보 시스템 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2878637A1 (fr) * | 2004-11-26 | 2006-06-02 | France Telecom | Suppression de fausses alertes parmi les alertes produites dans un systeme d'informations surveille |
JP2007328522A (ja) * | 2006-06-07 | 2007-12-20 | Tokyo Electric Power Co Inc:The | 故障確率算出装置、方法、及びプログラム |
US7702971B2 (en) * | 2007-06-06 | 2010-04-20 | Dell Products L.P. | System and method for predictive failure detection |
US20090226032A1 (en) * | 2007-09-28 | 2009-09-10 | Matthew Allen Merzbacher | Systems and methods for reducing false alarms in detection systems |
JP5802619B2 (ja) * | 2012-07-06 | 2015-10-28 | 株式会社日立製作所 | 設備維持管理業務支援システム |
US9439166B2 (en) * | 2012-10-01 | 2016-09-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Technique for adapting an RF receiver configuration |
-
2015
- 2015-09-09 KR KR1020150127438A patent/KR101748122B1/ko active IP Right Grant
-
2016
- 2016-04-05 US US15/091,261 patent/US9704382B2/en active Active
- 2016-05-25 CN CN201610353057.9A patent/CN106529683A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107479492A (zh) * | 2017-10-18 | 2017-12-15 | 江西电力职业技术学院 | 变电站数据采集装置及系统 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
CN112771623A (zh) * | 2018-08-31 | 2021-05-07 | B·布莱恩·阿维图姆股份公司 | 用于医疗装置的自学习输入滤波器 |
CN110107992A (zh) * | 2019-05-05 | 2019-08-09 | 珠海格力电器股份有限公司 | 基于设备的关联数据的运行参数控制方法 |
CN110782687A (zh) * | 2019-08-30 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置以及电子设备 |
CN110782687B (zh) * | 2019-08-30 | 2022-07-19 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
US20170069198A1 (en) | 2017-03-09 |
KR20170030201A (ko) | 2017-03-17 |
KR101748122B1 (ko) | 2017-06-16 |
US9704382B2 (en) | 2017-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529683A (zh) | 警报的错误率计算方法及装置 | |
CN110995482B (zh) | 告警分析方法、装置、计算机设备及计算机可读存储介质 | |
CN105264861B (zh) | 用于检测多阶段事件的方法和设备 | |
EP2963553B1 (en) | System analysis device and system analysis method | |
CN105512027B (zh) | 进程状态监控方法和装置 | |
CN111010291B (zh) | 业务流程异常告警方法、装置、电子设备及存储介质 | |
Fillatre et al. | A statistical method for detecting cyber/physical attacks on SCADA systems | |
US11378415B2 (en) | Method and system for detecting anomalies in energy consumption | |
CN105191257A (zh) | 用于检测多阶段事件的方法和装置 | |
KR101893563B1 (ko) | 사물인터넷 기반 화재 블랙박스 시스템 및 그 운용 방법 | |
EP2963552B1 (en) | System analysis device and system analysis method | |
CN109799804B (zh) | 一种基于随机故障注入的诊断算法评估方法及系统 | |
KR101281460B1 (ko) | 통계적 공정 관리도를 이용하여 이상증후를 탐지하는 방법 | |
KR101597935B1 (ko) | 비정상 시계열 데이터 탐지 방법 및 비정상 시계열 데이터 탐지 시스템 | |
CN112769615B (zh) | 一种异常分析方法及装置 | |
CN117421188A (zh) | 告警定级方法、装置、设备及可读存储介质 | |
CN107422368A (zh) | 通过强制关联相邻观测站的信息而防止地震早期预警系统发出错误预警的震中位置确定方法 | |
CN114610560B (zh) | 系统异常监控方法、装置和存储介质 | |
Britos et al. | Detecting Unusual Changes of Users Consumption | |
CN113807697A (zh) | 基于告警关联的派单方法及装置 | |
KR101657369B1 (ko) | 침입감지 시스템 | |
EP3457609A1 (en) | System and method for computing of anomalies based on frequency driven transformation and computing of new features based on point anomaly density | |
CN104852810A (zh) | 一种业务平台异常的确定方法和设备 | |
Sarailoo et al. | SA–Based PMU network upgrade for detectability of GPS spoofing attacks | |
CN113561835B (zh) | 一种电动汽车充电计费方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170322 |
|
WD01 | Invention patent application deemed withdrawn after publication |